2023年景下的无人机物体检测第一章.doc

第一章 绪论 1.1 选题背景与研究意义 机器视觉的研究有着极为广泛的应用，目前来说物体的检测和对于物体的自动跟踪是其热点的研究方向，同时也是其研究方面的一个难点，由于其所需用到的学科比拟多，主要涉及计算机、数学、生物学等方面，其有着较大的跨度，因此需要研究者有着较高的素质，在上世纪60年代，物体的检测和跟踪在学术界当中受到了极为广泛的关注，在这些年来，各种专家学者有通过大量的研究来对于其理论和具体的应用进行了较多的探索，随着军事工业的开展和进步这个技术的应用场景越来越多。 在民用领域，物体的检测和跟踪广泛应用于机场、车站等场所，在美国的911恐怖袭击之后，通过安保工作来实现了机器视觉舍必的大量应用，通过在全国范围内安装天眼系统等视频监控装置，可以对于平安威胁进行有效的监控和处理，在出现恐怖袭击的时候可以通过无人机等多个平台来对于恐怖袭击者进行直接的特征提取和跟踪，为其进一步的对其进行抓捕提供了重要的技术保障，在交通领域目标跟踪与检测也有着非常广泛的应用，主要是通过对于汽车的流量检测、智能车辆管理的，其在未来的生活当中有着不可估量的价值。 在军事领域当中，运动目标的检测受到了更为广泛的关注，由于战场环境是非常严格的，所以对于武器装备的设计要求也更加突出其准确性要求是非常高的，同时要满足较好的实时性，因此对于运动目标的实时检测可以精确的实现，作战和环境的监控等任务，因此在军事环境当中，物体检测和自动跟踪技术是非常重要的一项实用技术，其还可以进行伪装和欺骗，能够满足现代高技术战争的条件。 无人机的技术在高速的开展，同时其所携带的载荷也越来越多样化，可见光或红外传感器[1]等技术已经趋于成熟，因此将无人机和传感器进行有效的结合，来对于运动目标进行跟踪[2]，可以更加及时的获取到物体的动态信息，根据目标的行为来对于整个战场环境进行判断，有利于打赢信息战争[3]，因此我们对于无人机物体检测和自动跟踪的技术是有着极为重要的现实价值。 1.2 研究现状 因为受到普遍重视，物体测试以及跟踪分析每一年均是国际会议的热点主题之一；国内的局部名校如清华大学等还存在相关的课题小组来对于物体的检测跟踪进行研究，下面我们对于这局部算法的研究现状进行具体的讨论。 1.2.1 物体检测算法概述 对于物体检测算法的研究来说其经历了一个非常漫长的开展过程，在70年代以前我们的技术条件还是不够的，所以物体测试那个课题直到二十世纪九十年代才被人类所了解，然而物体测试针对人眼而言是较为简单的，只需要通过对于颜色、纹理等特征做好提取工作就可以实现分类和定位。但是针对微机而言面临的是一类具备所有色调像素的矩阵，所以无法针对图像进行直接地定，义需要通过特征提取然后根据物体的光照和背景来进行综合性的分析，才能够做好物体检测算法。 测试算法一般而言均是由3个模型构成的，首先是针对测试界限做出预测与决定，其次是针对特征搞好筛选活动，其三是针对其划定算法搞好开发，伴随着在2023年人脸测试手段被Viola Jones推出后[4]，在开展过程中，在人工设计特征得到进展之后，我们还使用了浅层的分类框架，最后利用大数据和深度神经网络进行了物体的检测，让物体的检测技术越来越趋于科学与成熟。 我们对于2023年之前的所有物体检测算法来进行综合性的分析，可以发现其变化趋势主要有以下三点： 〔1〕检测窗口的选择 我们在对于人脸图像进行分析的时候可以通过选取适宜的范围框图，然后对于人脸的大小进行框定，那么通过暴力的搜索可以将图像当中可能会出现这个框的位置进行遍历，对于图片的尺寸做好搜索工作，就可以使得图像金字塔能够进行进一步的便利和搜索工作。 这种方法效率也会比拟低，所以我们在实际进行人脸检测的时候并不采用这种方法，人家一般来说可以通过先验知识来对其进行进一步的计算，通过肤色检测就可以利用其高斯分布特征来对于其他局部做好科学的排除工作，我们可以通过与该区域的检测来人脸的搜索，因为针对肤色的选择是一类特别快的环节，我们能通过色调布局来对于所有像素进行判断，这样就会以较快的速度来做好人脸检测，肤色提取只是通过简单的方法来对其做好分辨工作却无法对于和肤色比拟接近的其它黄色物体来作出判断从而形成一定的误判。 为精度产生诸如Selective Search[5]或者EdgeBox[6]等proposal筛选的手段，鉴于色调聚类[7]、以及边缘聚类[8]的手段来，能够有效的对于肤色提取这样的方法进行精度的提高，对于后续的提取工作可以有效地降低时间。 〔2〕特征的设计 在我们一般的检测方法当中，Haar[9]由于提取速度非常快，可以通过积分来对于图片进行快速的分析，有着极为广泛的应用，同时它还可以对于物体的边缘来进行描述。LBP[10]能够对于物体的纹理情况进行判别，在均匀的光照之下，可以以高精度的形式做好物体的判断。HOG[11]依据相关的直方图来实施编码最终能针对物体的特点搞好描述工作因此再物体的具体跟踪检测方面有着极为重要的价值，对于传统的特征设计来说，普遍采用的是手动选取特征的方法，所以其应用范围并不广泛，我们应该将不同的特征进行组合，从而使其能够更好的反映出物体具体的特征来，使得对物体分类的准确度能够有效的得到改善。 〔3〕分类设备的开发 以往的分类设备囊括SVM[13]、以及Decision Tree[14]等[48]。 A． Adaboost 弱分类设备考评精度较低，所以我们可以用神经网络来对于分类器进行处理，从而能够做到局部的最优化，在人脸检测当中，我们可以通过对于区域进行判断，检测其是否是人类，颜色分布就可以作为一个弱分类器来为我们的选取提供一定的借鉴。 如果黄色分量比100大那么我们认为这块是人脸的区域可能性就比拟大，那么它就是一个比拟弱的分类器。但是对于我们的最终目标来说，通过这样的分类及判断准确率是比拟低，那我们就要通过另外一些分量来进行辅助处理，比方说我们认为红色分量大于150的时候，更有可能是人脸。通过这些条件的叠加就可以通过几个弱分类器来组成强的分类，分类器设计就是根据颜色来进行判断，我们通过学习和经验就可以对其进行阈值进行确定，我们通过红黄蓝三种颜色可以对分类器进行更加有效的选取，最终能够让这样的组合变成神经网络当中的强分类器。 B．SVM分类器 SVM可以最大化分类平面的向量来对其进行高效的支持工作，线性可区分数据可以完成较高的精度分类，我们可以利用函数来做好线性SVM的分类，通过支持向量机来将物体转换为向量，然后通过加权得到其最终的分数，然后对其进行分类得到最后的结果。 C．Decision Tree 决策树是树型结构的一种非常重要的工具，节点是作为分类工具进行工作的叶子代表最后分出的类别，我们通过二叉树来进行分类就可以有效的对于人脸进行判断。我们通过二叉树分类方法来进行区分所识别的对象是否是人脸，在我们通过第一个分类器对其进行操作的时候，就可以做好判断，如果不是人脸的话就直接进行输出，如果可能是人脸的区域，就要通过进一步的分类来对其进行决策，最终就可以形成一个较强的分类器，从而能够做好对于人脸的判断工作。 D．Random Forests[15] 通过对于决策树进行计算，可以有效的让其成为随机的森林，能够以一个更好的方式来提升回归或者是拟合的精度，我们对于刚刚所提及的决策树来进行分类，每棵树采取有差异的判断方案，通过不同的角度来实现其分类用，通过少数服从多数的原那么来做好统计工作，那么我们就有理由认为其更可能是人脸，通过投票策略可以使得分类误差尽量的减少，因此在实际当中有着非常重要的应用。 1.2.1.2从传统方法到深度学习 我们通常把检测方法的变革分为两大局部，第一是对于传统的特征提取算法的分析，第二是通过深度学习来对其进行探讨，在2023年之前基于特征提取的学习是比拟主流的方案，很多人都通过特征优化来做好检测工作，在2023年之后，所有人几乎都采用了更加科学的深度学习方法来做好检测工作。 由于深度学习在分类方面作用效果显著，主要在2023年的ImageNet比赛上，Hinton学生利用这个网络获得了冠军[16]。同时深度学习在时效和准确度上都明显的好于之前的神经网络，这样也使得其检测效应也越来越好，通过物体分类做好检测工作，加强特征提取可以使得分类和检测的准确率进一步的得到提高。 在检测方面有两个公开的测试数据库PASCAL VOC[17]和COCO[18]，这两个数据库我们可以看出来其在检测方面能够表达出方法的差异，传统的检测方法和深度学习存在一定的差异，就是在于传统的检测方法无法做好对于特征的提取工作，只能对于对于特定的物体进行分析，但是深度学习可以对于新的物体做好进一步的识别和优化工作，但是我们通过认真分析，能得知以往的测试手段伴随着数据量的提升及功能增加愈来愈慢，伴随着数据量的提升，测试功能会增加，但是其性能增加就越来越少，深度学习方法是并不一样的。当满足其分类条件的数据较多的时候，检测性能会逐步提升，而且并不存在饱和的现象。 1.2.2 目标跟踪技术概述 目标跟踪在计算机视觉研究分析方面有着极为广泛的应用，有着很重要的价值。主要应用在于相机的跟踪对焦、无人机的自动跟踪等方面，同时对于特定物体的跟踪也有着较多的研究，比方对于交通监控系统当中的车辆的问题，一般来说，目标跟踪就是通过视频序列当中的物体位置来进行关系模型的建立，从而能够得到其移动轨迹，确认图像第一帧的位置之后，可以有效的对于下边图像的位置进行估测，在运动过程当中做好图像的转换，比方光亮度变化、尺度变化等，目标跟踪算法需要有效的解决这样的问题，在高精度的情况下完成详细的运用。 1.2. 典型任务跟踪手段 在2023年以前，任务跟踪范围重点采纳的是以往的跟踪手段，诸如Meanshift[20]、以及Particle Filter[21]、Kalman Filter[22]和鉴于相应特征点的有关光流检测方式等[49]，这种方法可以通过对于概率的估算来做好对于物体的跟踪工作，使得目标的搜索能够从概率较低的地方提升到概率较大的地方，它主要是通过梯度下降来进行的。 最后迭代分布到概率密度的峰值，在刚开始的时候它会对目标来进行建模，根据其颜色特征来对目标进行描述，我们可以对于后部图像的概率分布进行计算，从而能够迭代得到局部最优局部，对于要和背景色彩差异大的场景，可以做好特征的提取工作，在最开始我们可以将其用于人脸的跟踪，由于其较好的计算特性，我们在对于模型进行改良之后，在现今的目标跟踪领域有着极为广泛的应用。 粒子滤波方法是通过粒子的分布来对其进行有效的统计从而完成对于跟踪目标的建模，最后实现目标跟踪的方法，它主要是通过对于粒子和目标的匹配程度来进行定义，对于这些粒子与物体的相似程度进行有效的统计，从而能够对于物体下一步可能出现的位置进行分析。一般来说在这个位置上要参加更多的新粒子，使得目标能够更大程度的在运动中受到跟踪，卡尔曼滤波一般来说是对于运动目标的模型进行描述，它步是对目标的特征来进行模型建立，而是对于其运动过程进行分析。 一般来说，根据特征点的光流跟踪是较为经典的跟踪方法，它可以通过目标特征提取，然后对于光流匹配点进行计算从而能够得到所要探测的目标位置的统计值，对于特征点做好相应的补充工作。要对于偏差较大的特征点进行删除，这样的目标在运动过程当中能够被有效的识别，光流特征主要是通过测量匹配来对于特征进行相应的描述分析的。 通过深度学习的方法可以有效的对于原有的工作方法来进行改良，因为其面对很多的复杂情况无法进行有效的应对，它们的准确度和抗干扰性都会被时代所淘汰，但是我们在对其学习的时候可以有效的对于跟踪整个过程进行了解，因此我们还是需要对其进行学习，其作为一种重要的辅助手段在工程上应用广泛。 1.2. 测试和跟踪相融合的手段 在2023年时，任务跟踪的手段通常都属于产生式模块的决策范畴，我们后来对其进行改良产生了基于鉴别式的模型，主要通过分类来将跟踪的目标作为前景，同时对于目标和背景进行综合性的分析